شرکت فرانسوی Mistral AI روز ۲۸ مهر ۱۴۰۵ (۲۰ اکتبر ۲۰۲۶) خانواده‌ی Voxtral 3 را معرفی کرد: مدل‌های تبدیل گفتار به متن، تبدیل متن به گفتار و یک بسته‌ی کامل برای ساخت «ایجنت صوتی» که همزمان گوش می‌دهد، فکر می‌کند و حرف می‌زند. قیمت رونویسی از ۰٫۰۰۳۵ دلار برای هر دقیقه شروع می‌شود و می‌شود آن را روی زیرساخت خودتان یا از راه سرورهای اروپایی Mistral به کار برد.
در Voxtral 3 چه چیزهایی هست؟
بر اساس صفحه‌ی رسمی Mistral و گزارش The Decoder چند مدل جدا داریم:
اگر می‌خواهی همین حالا امتحانش کنی، تبدیل گفتار به متن فارسی در هوش نو با توضیح فارسی و بدون فیلترشکن کار می‌کند.
- Voxtral Small Transcribe 3: دقیق‌ترین مدل رونویسی، با تشخیص گوینده (کی چه گفت) و امکان معرفی واژه‌های کلیدی بدون آموزش دوباره. قیمت: ۰٫۰۰۴ دلار برای هر دقیقه.
- Voxtral Mini Transcribe 3: مدل ۴ میلیارد پارامتری برای رونویسی دسته‌ای، ۰٫۰۰۳۵ دلار برای هر دقیقه.
- Voxtral Mini Transcribe Realtime 3: رونویسی زنده با تأخیر کمتر از ۵۰۰ میلی‌ثانیه، ۰٫۰۰۸ دلار برای هر دقیقه.
- Voxtral Speech 3: تبدیل متن به گفتار، با بیش از ۳۵ زبان و ۵۰ گویش، ۱۳ دلار برای هر یک میلیون نویسه. احساس، سرعت و تأکید قابل تنظیم است.
- Voice agent API و SDK: ساخته‌شده روی LiveKit. رونویسی، استدلال، فراخوانی ابزار و صداسازی را یک‌جا و پشت سرهم اجرا می‌کند. قیمت: ۰٫۰۴ دلار برای هر دقیقه با Mistral Small 4 و ۰٫۰۸ دلار با مدل‌های استدلالی دیگر.
سرعت و دقت؛ ادعای خود Mistral
Mistral می‌گوید هر نوبت گفتگو زیر یک ثانیه تمام می‌شود و اگر کاربر وسط حرف بپرد، ایجنت ساکت می‌شود. بنا بر آزمون‌های خود شرکت، نرخ خطای واژه‌ی مدل Small Transcribe 3 در آزمون FLEURS روی ۴۵ زبان حدود ۴ درصد است، در حالی که Whisper large-v3 حدود ۱۵ تا ۱۶ درصد گزارش شده. در تشخیص گوینده هم خطای حدود ۱۸٫۴ درصد در برابر ۳۸٫۴ درصد برای Gemini 3.5 Transcribe آمده است. توجه کنید که این عددها را خود شرکت منتشر کرده و ما آزمون مستقلی ندیده‌ایم. درباره‌ی کیفیت صدای تولیدشده هم Mistral فقط می‌گوید «کیفیت به ازای هر دلار» از چند رقیب بهتر است؛ جزئیاتش در دسترس نیست.
ایجنت صوتی چه کارهایی می‌کند؟
ایجنت صوتی یعنی برنامه‌ای که با شما تلفنی یا از مرورگر حرف می‌زند و کار هم انجام می‌دهد. مثال‌هایی که خبرها آورده‌اند: وقت ملاقات گرفتن یا بررسی یک فاکتور هنگام مکالمه. هر مرحله یک مدل جداست؛ پس می‌شود مدل زبانی، صدا یا زبان را بدون بازنویسی کل ایجنت عوض کرد. SDK هم از تماس تلفنی (SIP) و WebRTC در مرورگر و برنامه پشتیبانی می‌کند. در مدل متن‌به‌گفتار، کلون صدا با بیش از ۳۰ دقیقه صدا ممکن است و می‌توان لغت‌نامه و راهنمای تلفظ هم تعریف کرد. برای هر کلون صدا باید رضایت صاحب صدا را داشته باشید.
چه چیزهایی روشن نیست؟
صفحه‌ی رسمی مجوز استفاده، تاریخ دقیق انتشار و نام SDK را نگفته است. نصب کامل روی سرور خودتان هم نیاز به تماس با تیم فروش Mistral دارد. نیز فارسی در فهرست زبان‌هایی که خبرها نام برده‌اند دیده نشد؛ پس نمی‌دانیم کیفیت رونویسی و صدای فارسی چقدر است و پیش از اتکا باید خودتان امتحانش کنید.
این خبر برای کاربر فارسی‌زبان یعنی چه؟
قیمت‌ها نشان می‌دهند رونویسی صوتی هر روز ارزان‌تر می‌شود: یک ساعت رونویسی با ارزان‌ترین مدل حدود ۲۱ سانت می‌شود. برای تولیدکننده‌ی محتوا که پادکست یا جلسه‌ی ضبط‌شده دارد، رونویسی خودکار و تشخیص گوینده صرفه‌جویی بزرگی است. و رقابت میان Mistral، OpenAI، Google و ElevenLabs در صدا یعنی ابزار فارسی هم دیر یا زود از این پیشرفت‌ها بهره می‌برد. برای شناخت بیشتر ایجنت‌ها مقاله‌ی ایجنت هوش مصنوعی چیست؟ را ببینید. اگر کارتان دوبله و گویندگی است، راهنمای دوبله با هوش مصنوعی و برای آشنایی با مدل‌های قبلی این شرکت خبر Mistral Large 4 مفید است.
اگر همین حالا گویندگی فارسی می‌خواهید، در ابزارهای هوش‌نو بخش گویندگی (تبدیل متن به صدا) را امتحان کنید؛ نیازی به ساخت ایجنت ندارید.
سؤالات متداول
Voxtral 3 فارسی را پشتیبانی می‌کند؟
در منابعی که بررسی کردیم، نام فارسی در فهرست زبان‌ها نیامده بود. پیش از استفاده‌ی جدی با نمونه‌ی خودتان آزمایش کنید.
Voxtral 3 متن‌باز است؟
صفحه‌ی رسمی درباره‌ی مجوز چیزی نگفته است. فقط آمده که خودمیزبانی ممکن است و نصب کامل با تیم فروش هماهنگ می‌شود.
ارزان‌ترین گزینه کدام است؟
برای رونویسی دسته‌ای، Voxtral Mini Transcribe 3 با ۰٫۰۰۳۵ دلار برای هر دقیقه ارزان‌ترین است.
تأخیر ایجنت صوتی چقدر است؟
Mistral می‌گوید هر نوبت کمتر از یک ثانیه طول می‌کشد. رونویسی زنده هم زیر ۵۰۰ میلی‌ثانیه است. هر دو ادعای خود شرکت است.
